人工智能“捷径”将模拟速度提高数十亿倍

作者: 辛雨 2020-02-14 09:40:14

 

仿真器加快了模拟速度,如美国宇航局使用气溶胶模型,显示了澳大利亚火灾产生的烟尘分布。图片来源:美国宇航局

即使用最快的超级计算机模拟复杂的自然现象也要花上几个小时,如大气雾霾如何影响气候。而作为一种能够快速模拟的算法,仿真器无疑提供了一条捷径。一项日前发表在预印本服务器 arXiv 上的研究表明,人工智能可以很容易地生成精确的仿真器,可以将所有科学领域的仿真加速数十亿倍。

“这是一件大事。”未参与该研究的美国劳伦斯利弗莫尔国家实验室负责气候模拟的 Donald Lucas 说,新系统自动创建的仿真器比他的团队设计和训练的模拟器更好、更快。新的仿真器可以用来改进它们所模拟的模型,并帮助科学家充分利用实验设施。Lucas 表示,如果这项工作经得起同行的审查,“将在很大程度上改变一些事情”。

一个典型的计算机模拟程序一般会随时计算物理作用力如何影响原子、云团乃至星系。仿真器基于一种被称为机器学习的人工智能形式。有了完整模拟的输入和输出,仿真器会寻找规律,并学习推测模拟程序将对新的输入进行怎样的处理。

新的仿真器基于神经网络(受大脑线路启发的机器学习系统),需要的模拟训练很少。通过一种被称为神经结构搜索的技术,可以识别出给定任务中数据效率最高的连接模式。

这种技术被称为深度仿真器网络搜索(DENSE),它依赖于斯坦福大学计算机科学家 Melody Guan 开发的一种通用神经结构搜索。它在网络的输入和输出之间随机插入计算层,用有限的数据测试和训练生成的线路。如果添加的计算层可以提高性能,那么它很可能被选用在未来的仿真器变化中,而重复这个过程可以改进仿真器。

Guan 说,“非常兴奋”看到她的工作被用于“科学发现”。领导这项研究的英国牛津大学物理学家 Muhammad Kasim 表示,其团队的研究是以 Guan 的研究为基础进行的,因为它平衡了准确性和效率。

研究人员使用 DENSE 技术开发了 10 个仿真器,分别用于物理、天文、地质和气候科学领域。DENSE 的仿真器表现出色,其速度比其他模拟器快 10 万到 20 亿倍。而且,这些仿真器非常精确:天文仿真器的结果与全模拟的一致性超过 99.9%,在 10 次模拟中,神经网络仿真器比传统仿真器要好得多。

Kasim 说,DENSE 技术甚至可以使研究人员实时分析数据,从而节省时间。“DENSE 仿真器可以足够快地解释数据,从而修改实验。希望将来我们可以用它进行现场分析”。

 
人工智能 机器学习 技术
上一篇:人工智能如何推动神经科技发展? 下一篇:TigerGraph免费开放企业级版本授权全力支持疫情防控
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

MIT提出Liquid机器学习系统,可像液体一样适应动态变化

麻省理工学院(MIT)的研究者开发出了一种新型的神经网络,其不仅能在训练阶段学习,而且还能持续不断地适应。

机器之心 ·  2021-02-21 15:47:47
规划智慧城市时,别忘了无障碍通行

要想成为一个智慧城市甚至一个智慧世界,虽然可能需要时间和有针对性的规划,但我们必须以人为本。

蒙光伟 ·  2021-02-21 10:26:41
2021关于人工智能的五大趋势

数字化变革,比过去10年更多,这主要是由于远程工作的规模,以及企业迅速部署了必要的技术,尤其是与网络安全相关的技术。那,2021关于人工智能的五大趋势会是如何的呢?

Lichu ·  2021-02-21 10:21:01
使数据中心更智能:人工智能如何发挥作用?

随着数据成为维持几乎所有业务运营以获取洞察力和业务成果的先决条件,数据中心正处于这种数字化转型的关键。

Cassie ·  2021-02-21 10:14:59
IBM拟出售Watson Health后,AI医疗还能不能碰

医疗服务仍然是一块商业上尚未被完全发掘的市场,看病难/看病贵、医疗资源紧缺、医疗资源不平均等痛点问题长期存在,对应的市场空间理应是巨大的。而Watson Health作为IBM曾寄予厚望的业务方向,为何要在此时萌生退意?它的故事给业界带来哪些启发?眼下的AI医疗市场,究竟是一副什么样的局面呢?

物联传媒 ·  2021-02-21 08:41:16
抛弃归一化,深度学习模型准确率却达到了前所未有的水平

我们知道,在传递给机器学习模型的数据中,我们需要对数据进行归一化(normalization)处理。

机器之心 ·  2021-02-20 21:09:12
华人博士生首次尝试用两个Transformer构建一个GAN

最近,CV 研究者对 transformer 产生了极大的兴趣并取得了不少突破。这表明,transformer 有可能成为计算机视觉任务(如分类、检测和分割)的强大通用模型。

Yifan Jiang ·  2021-02-20 21:04:53
无监督训练用堆叠自编码器是否落伍?ML博士对比了8个自编码器

柏林工业大学深度学习方向博士生 Tilman Krokotsch 在多项任务中对比了 8 种自编码器的性能。

Tilman Krokotsch ·  2021-02-20 20:57:16
Copyright©2005-2021 51CTO.COM 版权所有 未经许可 请勿转载